现在的推荐算法能不能做到这样的程度？

[feiandxs]

范围 1- 9
我平时喜欢看的东西是1-4
我的兴趣范围其实涵盖1-8，甚至9作为一个相关度极低的分支，虽然我不懂，但接触后我也会有兴趣。
我希望推荐系统在满足我1-4的基本需求后，能够从5-8甚至9都给我猜测出来。

目前我接触到的系统大多仍然在1-4这个层面努力，有的做的不错，有的还在挣扎，做的不错的那些偶尔也会犯错。
我数学不好，不懂那些算法，但大致的行为模式基本可以理解和看得懂。根据已有信息进行归纳，总结，匹配，寻找有关联的new/unread items给我（不是只未读信息，是我尚未涉及的item）。感谢数学家们的努力，也感谢造物主，哪怕是不怎么灵光的算法，在有了大量的数据作为基础后，基本上都能达到合格线。
但在猜测我的可能上，在给我surprise的这方面，好像还没有一个做的让我合格的。
不是抱怨，推荐/猜测系统不是那么容易做到的事。特别是“相关性”这个东西，其实和“猜测”是有一定的矛盾的。在推荐new items给用户之后，从用户的反馈判断是不是喜欢和不喜欢，也不是那么容易的事。我就是想问问，各位有接触到在推荐new items方面，给你surprise方面，有惊喜的吗？

我本来觉得豆瓣猜不怎么样，现在发现其实还行。不过也可能是因为豆瓣产品形态有限，很容易命中我的喜好范围的4-8部分。
amazon的推荐就明显要关联的多，基本不给我surprise，只根据我浏览的东西做相关推荐。当然了，这个系统的确会让我有下更多订单的冲动。适用场景不同。

[feiandxs]

ps: google的搜索的排序做的很可怕，完全命中我的喜好。简单说就是搜索越来越准确了。
要命的也就是这一点，但我想用google尝试寻找一些新的从未发现的领域的时候，google的表现就和那些它熟悉我的部分大相径庭。我搜索技术类的信息，一搜一个准。我搜索其他蹊跷八怪的东西，就给我一堆乱七八糟的东西。这个我可以理解，它需要学习。但是我更希望，在第一屏精准的搜索结果靠下的地方，能不能给我一些不一定准确，但有更多可能性的结果。

[dreampuf]

一般recommender system有几个评价指标。这些指标都是有user log（训练集）来验证。
召回度，RS 返回的item数/符合条件的item总数
精确度，和user log 匹配程度
覆盖率，RS给出的推荐item出现次数加权求和，一般用作为对长尾内容的挖掘
多样性，推荐的item之间差异程度
新颖性，一般而言相对热门item而言，也就是将推荐的item的热门程度计入权重
惊喜度，比较新颖度而言，惊喜item一般为反user log的推荐，或者看似没有遵照user log的推荐，前提是这个推荐是用户喜欢的（定义喜欢？发生点击，持续发生动作。。。）
信任度，推荐item和你之前行为的联系（Amazon的“由于您购买了XXX所以给您推荐YYY“，weibo中的“你们之间有XX个共同好友“），其实就是推荐系统的推荐行为自我解释。
还有实时性，健壮性。。。。建立这些标准都是为了在多个推荐系统实现中评定算法好坏。

通过上面的一些评判指标，应该可以解决你的疑问。
国内已经有很不错的推荐系统应用（淘宝，百分点。。。。），但是推荐系统只是整个系统生态的外围设施，对于传统的指标：内容，用户，产品，体验。。比较来说，推荐至多算作锦上添花。